Estimating time spent on work tasks
यह शोध पत्र ONET आवृत्ति डेटा को कार्य अवधि के भाषा मॉडल-व्युत्पन्न युग्मवार तुलनाओं के साथ जोड़कर लगभग 18,000 अमेरिकी कार्य कार्यों के लिए समय हिस्से (time shares) का अनुमान लगाने के लिए एक सिद्धांतपूर्ण पद्धति प्रस्तुत करता है, जो यह प्रकट करता है कि AI के प्रति कार्य जोखिम को कार्य संख्या के बजाय समय के आधार पर भारित करना प्रभावित व्यवसायों की रैंकिंग को महत्वपूर्ण रूप से बदल देता है और सबसे अधिक तथा सबसे कम प्रभावित नौकरियों के बीच के अंतर को व्यापक बनाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि अर्थव्यवस्था एक विशाल, हलचल भरी रसोई है जहाँ हर नौकरी एक अलग रेसिपी (विधि) है। दशकों से, अर्थशास्त्रियों ने यह समझने की कोशिश की है कि कैसे नए उपकरण—जैसे कि एक फैंसी नया ब्लेंडर या एक रोबोटिक हाथ—इन रेसिपी को बदलते हैं। उन्होंने महसूस किया कि नौकरियाँ केवल एकल, अटूट ब्लॉक नहीं हैं; वे वास्तव में छोटे कार्यों के समूह हैं, जैसे प्याज काटना, सॉस चलाना, या व्यंजन को सजाना। यह "कार्य-आधारित" (task-based) दृष्टिकोण यह अध्ययन करने का मानक तरीका है कि तकनीक काम को कैसे नया रूप देती है। यदि एक रोबोट प्याज तेजी से काट सकता है, तो वह विशिष्ट कार्य बदल जाता है, और वह परिवर्तन पूरी नौकरी को प्रभावित करने के लिए ऊपर तक लहरें पैदा करता है। लेकिन यहाँ पेचीदा हिस्सा है: जब हम यह देखने के लिए इन सभी छोटे कार्यों को जोड़ते हैं कि एक पूरी नौकरी कैसे प्रभावित होती है, तो हम उन्हें कैसे गिनते हैं? क्या हम प्रत्येक कार्य को एक समान वोट के रूप में गिनते हैं, या हम उन्हें इस आधार पर तौलते हैं कि एक कार्यकर्ता वास्तव में उन पर कितना समय बिताता है? यह सच है कि "कितना समय" का यह प्रश्न वह गायब सामग्री है जो हमारी इस समझ को पूरी तरह से बदल सकती है कि कौन सी नौकरियाँ आर्टिफिशियल इंटेलिजेंस (AI) द्वारा बदलने की सबसे अधिक संभावना रखती हैं।
स्टैनफोर्ड और यूनिवर्सिटी ऑफ साओ पाउलो के शोधकर्ताओं द्वारा लिखा गया यह शोध पत्र अमेरिकी कार्यबल के लिए एक विशाल, सूक्ष्म टाइम-ट्रैकर (समय-ट्रैकर) की तरह है। लेखकों ने देखा कि AI के प्रति कौन सी नौकरियाँ कितनी उजागर (exposed) हैं, यह पता लगाने की कोशिश करने वाले पिछले अध्ययन इस बात का अनुमान लगाते थे कि कार्यकर्ता विशिष्ट कार्यों पर कितना समय बिताते हैं। कुछ अध्ययनों ने केवल यह गिना कि किसी नौकरी में कितने कार्य थे, जबकि अन्य ने "मुख्य" या "पूरक" कार्यों जैसी रफ श्रेणियों का उपयोग किया, जिससे एक त्वरित 30-सेकंड की जांच को 4-घंटे के गहन विश्लेषण के समान ही माना गया। शोधकर्ता तर्क देते हैं कि यह किसी फिल्म को केवल दृश्यों की संख्या गिनकर आंकने जैसा है, न कि इस आधार पर कि दर्शक कथानक को देखने में कितना समय बिताते हैं।
इसे ठीक करने के लिए, टीम ने लगभग 1,000 अमेरिकी व्यवसायों के लगभग 18,000 विभिन्न कार्यों के लिए वास्तविक 'टाइम शेयर' (समय के हिस्से) का अनुमान लगाने के लिए एक नई विधि बनाई। उन्होंने केवल कंप्यूटर से अनुमान लगाने के लिए नहीं कहा; उन्होंने समस्या को दो भागों में विभाजित किया। पहले, उन्होंने देखा कि कोई कार्य कितनी बार होता है (आवृत्ति)। दूसरा, और यह सबसे चतुर हिस्सा है, उन्होंने कार्यों को एक-दूसरे के विरुद्ध रैंक करने के लिए एक लैंग्वेज मॉडल (एक AI) का उपयोग किया ताकि यह पता लगाया जा सके कि एक बार करने में कौन से कार्य अधिक समय लेते हैं। फिर उन्होंने इन रैंकिंग्स को एक गणितीय पहेली (लिनियर प्रोग्राम) में डाला जिसे एक यथार्थवादी 7-घंटे के कार्यदिवस में सब कुछ फिट करना था। यह एक जिग्सॉ पजल (जिक्सॉ पहेली) को हल करने जैसा है जहाँ टुकड़े कार्यों के हैं, और तस्वीर काम के एक पूरे दिन की है।
इस टाइम-ट्रैकिंग प्रयोग के परिणाम आश्चर्यजनक हैं और वे चर्चा के परिदृश्य को बदल देते हैं। जब शोधकर्ताओं ने यह देखने के लिए अपने नए 'टाइम-वेइटेड' (समय-आधारित भार) का उपयोग किया कि कौन सी नौकरियाँ AI के प्रति कितनी उजागर हैं, तो "सबसे अधिक जोखिम वाली" नौकरियों की सूची नाटकीय रूप से बदल गई। पिछले अध्ययनों ने सुझाव दिया था कि क्लर्क और प्रशासनिक नौकरियाँ सबसे अधिक असुरक्षित थीं क्योंकि उनमें AI-एक्सपोज्ड कार्यों की संख्या सबसे अधिक थी। हालाँकि, नया समय-आधारित दृष्टिकोण बताता है कि हालांकि इन नौकरियों में कई छोटे, उजागर कार्य हैं, लेकिन वे वास्तव में कार्यकर्ता के दिन का बहुत कम हिस्सा लेते हैं। इसके विपरीत, जिन नौकरियों में गहरा विश्लेषण, अनुसंधान और लेखन शामिल है—जिसमें कुल कार्यों की संख्या कम हो सकती है—वे उस विशिष्ट कार्य पर कार्यकर्ता के समय का एक बड़ा हिस्सा खर्च करते हैं।
जब लेखकों ने अपने समय के डेटा का उपयोग करके शीर्ष 25 सबसे उजागर व्यवसायों को पुन: रैंक किया, तो उनमें से 11 का स्थान बदल गया। सूची क्लर्क भूमिकाओं से हटकर विश्लेषणात्मक भूमिकाओं की ओर बढ़ गई। उदाहरण के लिए, उन्होंने पाया कि एक मसाज थेरेपिस्ट के लिए, जबकि सूचीबद्ध कार्यों में से 44% तकनीकी रूप से AI के प्रति "एक्सपोज्ड" हो सकते हैं, वे कार्य वास्तव में काम में बिताए गए वास्तविक समय का केवल 16% हिस्सा बनाते हैं। इसके विपरीत, एक एक्टुअरी (Actuary) के लिए, उजागर कार्य संख्या में कम हो सकते हैं लेकिन वे उनके काम के समय का लगभग 90% हिस्सा लेते हैं। शोध पत्र सुझाव देता है कि केवल कार्यों के अंश के बजाय, काम के समय के अंश (fraction of working time) पर ध्यान केंद्रित करके, हमें सबसे असुरक्षित भूमिकाओं के प्रभाव की बहुत स्पष्ट, और अक्सर अधिक तीव्र, तस्वीर मिलती है। लेखक यह ध्यान दिलाते हुए सावधान हैं कि यह एक्सपोजर को मापने का एक नया तरीका है, न कि यह भविष्यवाणी कि ये नौकरियाँ निश्चित रूप से गायब हो जाएंगी, लेकिन यह यह भी संकेत देता है कि AI से सबसे अधिक प्रभावित होने वाली "हेडलाइन" नौकरियाँ वैसी नहीं हो सकतीं जैसी हमने पहले सोची थीं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।